简单使用Marker

简单使用Marker

1 简单介绍

Marker是由Datalab维护的开源项目，它利用了surya的模型进行做的，能够快速准确地将文档转换为Markdown、JSON、分块数据及HTML格式。相对MinerU和Docling文件解析的效果较差，但是解析的速度是较快的，如果考虑速度和性能，可以考虑这个模型。不好的地方除了github没有官方本地部署较完整的文档。

Datalab也维护了Surya，Surya是一款文档OCR工具包，功能包括：支持90多种语言的OCR技术、任意语言的行级文本检测
版面分析（表格、图像、标题等检测）、阅读顺序检测、表格识别（检测行/列）、LaTeX OCR（数学公式）。

# Github地址（没有标准的开发文档）
https://github.com/datalab-to/marker

# Surya的Github地址
https://github.com/datalab-to/surya

2 安装环境

安装依赖环境

pip install marker-pdf[full] -i https://pypi.tuna.tsinghua.edu.cn/simple

简单例子

注意：Windows中模型的默认下载路径是“C:\Users\Admin\AppData\Local\datalab”，Admin是我的用户名，此处对应你的用户名。模型大小：4.97G。

# 注意！！ 解析的过程不支持多线程和多协程
from marker.converters.pdf import PdfConverter
from marker.models import create_model_dict
from marker.output import text_from_rendered


def test():
    print(create_model_dict())
    converter = PdfConverter(
        artifact_dict=create_model_dict()
    )

    # 解析图片
    rendered = converter("E:/temp/test.png")
    text, _, images = text_from_rendered(rendered)
    print(text, _, images)

    # 解析pdf
    rendered = converter("E:/test/test1.pdf")
    text, _, images = text_from_rendered(rendered)
    print(text, _, images)

    # 解析docx
    rendered = converter("E:/test/test2.docx")
    text, _, images = text_from_rendered(rendered)
    print(text, _, images)
    
    # 保存文件
    rendered = converter("E:/test/test2.docx")
    # 文件输出目录
    out_dir = "E:/test/test-output"
    # 不要后缀名称
    file_name_base = "test2"
    save_output(rendered, out_dir, file_name_base)


if __name__ == '__main__':
    test()

截图

使用多进程
使用多进程可以提高效率。

if __name__ == '__main__':
	# 一定要在主进程中为torch添加下面创建进程的方式，否则会报下面的错误
	# RuntimeError: Cannot re-initialize CUDA in forked subprocess. To use CUDA with multiprocessing, you must use the 'spawn' start method

    # 在主进程中设置创建进程的方式，有fork和spawn两种
    # 默认复制当前内核父进程fork（Linux、macOS），创建空白新进程spawn（Windows）
    torch.multiprocessing.set_start_method('spawn')

    Process(target=test).start()
    time.sleep(2)
    Process(target=test).start()